！0m0！-优快云博客

原创 GLOMAP论文解读：从照片到三维场景GLOMAP快速重建方法

以多张不同视角的拍摄照片为输入，通过全局统一计算实现场景3D重建，核心优势是兼顾“快速计算”与“高精度”，彻底解决传统方法“快则不准、准则不快”的痛点，最终输出可直接应用的3D结构及相关参数，满足实际落地需求。的思路，先通过特征匹配建立图像间关联，再统一校准所有相机朝向，随后将相机位置与场景三维结构联合求解，最后通过全局精细优化与后处理，实现 “高速、稳健、高精度” 的三维重建。：核心是把相机位置和3D场景结构放一起同步计算，从根上减少误差，再配合统一相机方向、优化精度的方法，既保证速度又不丢精度。

2026-06-27 20:00:00 227

原创 DUSt3R 论文解读报告：让几何3D视觉变得简单

→ 步骤多、误差累积、门槛极高、不好用。第二步：从点图反向推导几何信。

2026-06-25 16:28:16 350

原创 Depth Anything 3（DA3）论文解读：从任意视角的图像中恢复三维空间

DA3是字节跳动Seed团队推出的3D视觉“大一统”模型，用极简Transformer+深度-光线表示+师生学习，实现单目/多视图3D重建、位姿估计、新视角合成全任务通吃，效果全面超越前代与同行。一套流程，同时完成：单目深度、多视图重建、相机位姿估计、新视角合成。3. 训练范式：教师-学生学习（Teacher-Student）【训练全流程】统一几何表示：深度-光线（Depth-Ray）表示。步骤 1：训练教师模型（DA3-Teacher）共享底层特征，减少计算，提升一致性。步骤 3：训练学生模型（DA3）

2026-06-14 08:00:00 411

原创 CReFT-CAD论文解读：让 AI 真正看懂工程图纸

复旦大学团队做了一套“AI看懂CAD工程三视图”的全套方案——新数据集+新训练方法，让大模型能精准读工程图尺寸、算参数、做三维推理，比传统方法更准、泛化更强。（1）TriView2CAD数据集：全球第一个CAD三视图推理基准，20万合成+3000真实样本，带精确尺寸、支持6种CAD格式。（2）推理能力弱：传统微调（SFT）只会死记硬背，遇到真实复杂图纸就崩，算不了组合参数。（1）读不准尺寸：现有数据集没有精确尺寸标注，AI只会看大概，不会精确测量。

2026-06-12 14:00:00 401

原创 CAD-MLLM 论文解读：多模态输入一键生成CAD模型

CAD-MLLM是全球首个支持文本、图像、点云任意单模态/多模态组合输入的参数化CAD生成大模型，搭配自研45万级多模态CAD数据集Omni-CAD，能让非专业用户用简单指令/图片/点云一键生成高精度、拓扑完整的工业CAD模型，大幅降低CAD设计门槛。提取图片视觉特征 → 用Perceiver（（多视角 / 多模态融合器））整合多视角信息 → 投影层对齐到LLM特征空间。文本/图像/点云 → 编码器提取特征 → 投影对齐LLM空间 → LoRA微调生成CAD命令 → 工业级CAD模型。

2026-06-10 14:00:00 346

原创 CAD-Assistant论文解读：用AI把CAD任务变成“输入请求→自动完成”的高效流程

这篇论文提出了一个AI+CAD智能助手，用视觉大语言模型（VLLM）+专业CAD工具，让电脑看懂手绘、文字、3D扫描，自动完成画图、加约束、转3D模型，不用设计师手动一步步操作，把复杂CAD变成“说一句/画一下→自动做完”。阶段1：多模态输入（支持文本、手绘图像、3D 扫描网格的多模态统一输入）1. 手绘秒变标准CAD图：潦草手绘→自动描线、加约束、变精准图纸。2. 草图自动加约束：没规则的线条→自动变水平、垂直、重合、等半径。4. 3D扫描逆向工程：扫描一个实物→自动提取截面→重建CAD模型。

2026-06-08 21:00:00 416

原创 Cad2Program论文解读：用视觉-语言模型让2D图纸 “秒变”3D参数化模型

Cad2Program是一种基于视觉-语言模型的端到端重建方法，以任意格式的2D CAD图纸（光栅图像）为输入，通过预训练视觉-语言基础模型的微调，自回归生成通用语言脚本（如Python/YAML），最终实现3D参数化模型的重建。将模型生成的Python/YAML文本脚本，输入至CAD软件或自定义解析器，脚本中的每个基元信息会被逐一解析，自动组装预定义基元，最终生成完整的3D参数化模型，模型包含精准的尺寸、位姿和功能属性，与2D CAD图纸的信息完全匹配。

2026-06-03 12:00:00 360

原创 Acc3D论文解读：单张图片秒变3D

核心技术：运用专门的算法，找到不同视角2D图像中对应的同一个特征点（比如物体的边角、轮廓关键点），再结合法线图体现的物体表面朝向信息，计算出每个特征点距离镜头的远近（深度值），最后通过融合算法，将所有视角的特征点和深度信息整合到一起，形成一个由无数个3D点组成的初步立体轮廓（3D点云）。核心作用：最终生成清晰的多视角2D图像和对应的法线图，前者提供物体的颜色、纹理细节，后者提供物体的立体形态信息，两者结合，为后续3D重建提供最核心的两类数据支撑。 传统问题：扩散要。

2026-06-01 19:00:00 323

原创 Drawing2CAD论文解读：让二维工程图一键生成三维CAD模型

摘要：Drawing2CAD论文解读，首次实现工业级2D矢量CAD图纸到3D参数化模型的端到端自动化生成。该方法将转化过程建模为序列到序列学习任务，通过多阶段处理：(1)矢量基元表示标准化输入；(2)多模态特征编码压缩图纸信息；(3)双解码器架构分别生成建模命令和参数；(4)CAD内核执行生成可编辑3D模型。实验表明，该方法在多视图输入下命令准确率达82.43%，参数准确率76.09%，无效模型率仅20.31%，显著优于现有方法。研究构建了15万+样本的CAD-VGDrawing数据集，为工业设计自动

2026-03-25 22:00:17 714

原创 sudo apt-get update更新源失败问题

按I进行编辑模式，在里面添加192.168.x.x（你登录开发板所用的地址，如192.168.0.2），试了各种方法一直解决不了，也试过阿里源和清华源等，都不能用，最后发现可能是DNS的问题。然后执行sudo apt-get update就可以用了。然后按esc，输入：wq，保存退出。

2024-08-08 18:26:51 1224

原创机器学习：PCA降维

主成分分析（PCA）是一种广泛应用于数据降维的算法，它通过找到数据的主成分来简化数据集，保留最重要的信息，并去除噪声和冗余信息。PCA通过线性变换将原始数据转换到一个新的坐标系统中，使得数据在新坐标系下的方差最大化。这个新坐标系的每一个坐标轴对应一个“主成分”，即数据中的一个主要特征。通过保留低阶主成分，忽略高阶主成分，PCA能够减少数据集的维数，同时尽可能保持数据集的主要信息。具体来说，PCA的第一步是计算数据的协方差矩阵，然后对协方差矩阵进行特征值分解，得到特征向量和特征值。

2024-06-22 10:45:30 1080

原创机器学习：支持向量机（SVM）

SVM的优点：（1）解决了小样本情况下的机器学习。（2）由于使用核函数方法克服了维数灾难和非线性可分的问题，所以向高维空间映射时没有增加计算的复杂度。（由于支持向量机算法的最终决策函数只由少数的支持向量所确定，所以计算的复杂性取决于支持向量的数目，而不是整个样本空间的维数）。SVM的缺点：（1）支持向量机算法对大规模训练样本难以实施，这是因为支持向量算法借助二次规划求解支持向量，这其中会设计m阶矩阵的计算，所以矩阵阶数很大时将耗费大量的机器内存和运算时间。

2024-05-29 21:17:05 1602 1

原创机器学习：逻辑回归实验

综上所述，逻辑回归模型通过引入Sigmoid函数，将线性回归的输出转化为概率值，从而实现对二元分类问题的预测。其算法简单且有效，广泛应用于医学、生物统计学、市场营销等领域。尽管面临一些挑战，如对异常值的敏感性和对数据集的特定要求，但通过适当的数据处理和模型调优，逻辑回归仍然是一个非常有力的工具。在未来，随着机器学习和数据科学的发展，逻辑回归及其变种将继续在解决实际问题中发挥重要作用。

2024-05-27 12:26:36 1035

原创朴素贝叶斯算法

朴素贝叶斯算法是一种简单而有效的分类算法，适用于特征之间相互独立的情况。通过计算先验概率和条件概率，我们可以应用贝叶斯定理进行分类。虽然朴素贝叶斯算法具有一定的局限性，但在许多实际问题中，它仍然表现出良好的性能。

2024-05-08 21:41:35 799

原创决策树实验代码实现

根据以上实验，决策树的三种方法分别是ID3、C4.5和CART。ID3算法：ID3算法是一种基于信息增益的决策树构建算法。在给定的数据集中，它会选择具有最大信息增益的特征作为根节点，然后递归地选择子节点。ID3算法的主要优点是生成的决策树易于理解和解释。然而，它存在一个问题，即倾向于选择具有较多属性值的特征，这可能导致过拟合。C4.5算法：C4.5算法是ID3算法的改进版本，它通过引入信息增益比来解决这个问题。与ID3算法相比，C4.5算法在选择特征时更加平衡，避免了偏向具有较多属性值的特征的问题。

2024-04-29 23:06:42 583

原创机器学习之KNN算法及模型评估：鸢尾花分类实验

预测结果为：[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2]原测试的答案为：类别 0 的样本：36, 21, 19, 9, 39, 46, 3, 0, 47, 44类别 1 的样本：86, 71, 69, 59, 89, 96, 53, 50, 97, 94。

2024-04-01 10:59:59 2268

原创机器学习：测试Anaconda是否成功安装

以Windows为例，在终端输入echo %PATH%，则Anaconda的路径会显示在系统环境变量中；在终端输入conda list，则会输出所有已经安装的工具包名称和对应的版本号；打开命令提示符或终端窗口输入conda -V,会输出Anaconda的版本号；二、检查Anaconda的环境变量。一、检查Anaconda的版本号。三、查看已经安装的工具包。

2024-03-19 19:55:57 3746 1

m0_74238712的博客